针对低信噪比条件下，现有的雷达辐射源信号识别方法存在识别正确率低、时效性差的问题，提出了一种基于压缩残差网络的雷达辐射源信号识别方法。首先，利用Choi-Williams分布的时频分析方法将时域信号转换为二维时频图像；然后，根据应用场景特点，选择卷积神经网络（Convolutional Neural Networks, CNN）“压缩”范围；最后，构建压缩残差网络来自动提取图像特征并完成分类。仿真实验结果表明，在同等体量的设计下，与当前较为常用的标准CNN以及ResNet模型相比，所提模型能够降低信号识别运行时间约88%，在信噪比为−14 dB条件下对14种雷达辐射源信号的平均识别率高约5%。提供了一种高效的雷达辐射源信号智能识别方法，具有潜在的工程应用前景。

针对当前基于深度学习的遥感图像超分辨率重建模型部署时对硬件要求较高，本文设计了一种轻量级基于重参数化的残差特征遥感图像超分辨率重建网络。首先，采用重参数化方法设计了一种残差局部特征模块，以有效地提取图像局部特征；同时考虑到图像内部出现的相似特征，设计了一个轻量级的全局上下文模块对图像的相似特征进行关联以提升网络的特征表达能力，并通过调整该模块的通道压缩倍数来减少模型的参数量和改善模型的性能；最后，在上采样模块前使用多层特征融合模块聚合所有的深度特征，以产生更全面的特征表示。在UC Merced遥感数据集上进行测试，该算法在遥感图像3倍超分辨率下的参数量为539 K，峰值信噪比为30.01 dB，结构相似性为0.844 9，模型的推理时间为0.010 s；而HSENet算法的参数量为5 470 K，峰值信噪比为30.00 dB，结构相似性为0.842 0，模型的推理时间为0.059 s。实验结果表明，该算法相比HSENet算法，参数量更少，运行速度较快，且峰值信噪比与结构相似性也有一定的提高。在DIV2K自然图像数据集上进行测试，该算法的峰值信噪比和结构相似性相比其他算法也有一定的优势，表明该算法的泛化能力较强。

在高光谱图像分类任务中，引入注意力改变提取到的光谱和空间特征权重，有效突出重要特征，提高分类准确率。将注意力机制、残差网络和特征提取模块集成到分类框架中，引入中心区域光谱注意力机制，在避免干扰像素对波段权重影响的同时，利用周围像素增强中心像素波段，增强光谱特征的鲁棒性进而提取有效的光谱特征。并在此基础上提出了光谱-空间注意力残差网络，该网络可以从高光谱图像中连续提取到丰富的光谱特征和空间特征，并通过残差网络连接特征提取模块，缓解了精度下降问题，保证网络良好的分类性能。在4个公开数据集上，所提出的分类算法和其他算法相比，各项指标均达到最优。

针对图像超分辨率重建过程中提取低分辨率特征效果较差，大量高频信息丢失导致的边缘模糊和伪影问题，提出了融合多维注意力机制与选择性特征融合作为图像特征提取模块的图像超分辨率重建方法。网络由若干个基本块和残差操作构建模型的特征提取结构，其核心是一种提取图像特征的异构组卷积块，该模块的对称组卷积块以并行的方式进行卷积提取不同通道间的内部信息特征并进行选择性特征融合，互补卷积块通过全维度动态卷积从空域、输入输出维度和核维度捕捉遗漏的上下文信息，对称组卷积块和互补卷积块连接后的特征采用特征增强残差块去除冗余造成干扰的无用信息。模型通过5种消融实验证明其设计的合理性，在Set5，Set14，BSDS100和Urban100测试集上与其他主流的超分辨率重建方法进行对比，峰值信噪比（PSNR）和结构相似性（SSIM）定量数据均有提升，尤其在放大因子为3的Set5数据集上比次优算法CARN-M均提升0.06 dB，结果表明提出模型具有更优的性能指标和更好的视觉效果。

针对全局和局部高低频空间信息利用不足而导致重建图像纹理细节模糊的问题，提出一种基于注意力和宽激活密集残差网络的图像超分辨率重建模型。首先，四个不同尺度且平行的卷积核被用来充分提取图像低频特征作为空间特征转换的先验信息。在深层特征映射模块中构建融合注意力的宽激活残差块，并利用低频先验信息来引导高频特征的提取。该宽激活残差块通过扩大激活函数前的特征通道数来提取更深层次的特征图，且所构造的全局和局部残差连接在加强残差块和网络特征前向传播的同时，在不增加参数情况下使得所提取特征的多样性更加丰富。最后，对得到的特征图进行上采样和重建以得到清晰的高分辨率图像。实验表明，所提算法在BSD100数据集上4倍超分辨率时，相比LatticeNet模型的PSNR指标提升了0.14 dB，SSIM提升了0.001，在主观视觉方面，重建出的图像局部纹理细节也更加清晰。